
# Verificação da versão do Python
from platform import python_version
print('Versão do Python: ', python_version())

Versão do Python:  3.11.2


# Imports das bibliotecas mais usadas
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

%matplotlib inline


# Alterar a exibição de float para duas casas decimais
pd.options.display.float_format = '{:.2f}'.format


# Versões das bibliotecas mais usadas
print('Numpy versão ' + np.__version__)
print('Pandas versão ' + pd.__version__)

Numpy versão 1.23.5
Pandas versão 1.5.3


# Bibliotecas para criar o profile dos dados
import pydantic
from ydata_profiling import ProfileReport


# A versão deve ser < 2
print('Pydantic versão ' + pydantic.__version__)

Pydantic versão 1.10.12


# Biblioteca para divisão dos dados em treino e teste
from sklearn.model_selection import train_test_split
# from sklearn.model_selection import StratifiedKFold


# Biblioteca para construção do modelo de linha de base
import sklearn as skl
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import confusion_matrix, ConfusionMatrixDisplay


# Biblioteca para avaliação do modelo de linha de base
from yellowbrick.model_selection import FeatureImportances
from yellowbrick.classifier import ClassificationReport


# Biblioteca para reamostragem
from imblearn.over_sampling import RandomOverSampler, SMOTE
from imblearn.under_sampling import RandomUnderSampler
from imblearn.combine import SMOTEENN
from collections import Counter


# Bibliotecas para treinamento do modelo e exportação
from sklearn import tree
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import GridSearchCV
import joblib


print(skl.__version__)

1.2.2


# Oculta alguns alertas
import warnings
warnings.simplefilter("ignore")


# Dicionário para a tradução dos gêneros musicais
generos_dict = {
    'acoustic' : 'acústico',
    'alternative' : 'alternativa',
    'ambient' :  'ambiente',
    'brazil' : 'brasileira',
    'british' : 'britânico',
    'children' : 'infantil',
    'classical' : 'classica',
    'comedy' : 'comedia',
    'dancehall' : 'dança de salão',
    'drum-and-bass' : 'bateria e baixo',
    'electro' : 'eletrônica',
    'electronic': 'eletrônica',
    'garage' : 'garagem',
    'german': 'alemã',
    'indian' : 'indiana',
    'iranian' : 'iraniana',
    'kids' : 'infantil',
    'latin' : 'latina',
    'sad': 'triste',
    'sleep': 'dormir',
    'spanish' : 'espanhola',
    'study' : 'estudo',
    'swedish' : 'sueca',
    'turkish': 'turca'
}


# Nomes traduzidos das colunas
colunas = ['id_musica', 'artistas', 'nome_do_album', 'nome_da_faixa', 'popularidade', 'duracao_ms', 'explicito',  'dancabilidade', 'energia', 'chave', 'volume', 'modo', 'fala', 'acustica', 'instrumentalidade', 'vivacidade',  'valencia', 'tempo', 'assinatura_hora', 'gênero']


# Função para carregar os dados, tradução e limpeza
def carregar_dados(arquivo, colunas, generos_dict):
    df = pd.read_csv(arquivo, index_col=0)
    
    df.columns = colunas
    assert df.columns.tolist() == colunas
    
    df['gênero'].replace(generos_dict, inplace=True)
    assert set(generos_dict.values()).issubset(set(df['gênero'].unique()))
    
    df.dropna(inplace=True)
    assert df.isna().sum().sum() == 0
    
    df.drop_duplicates(inplace=True)
    assert df.duplicated().sum() == 0

    return df


# Carrega os dados
df = carregar_dados('dataset.csv', colunas, generos_dict)
df.head()


#profile = ProfileReport(df)
#profile


#profile.to_file('Spotify-Profile-1.html')


# Exibe informações gerais do dataframe
df.info()

<class 'pandas.core.frame.DataFrame'>
Int64Index: 113468 entries, 0 to 113999
Data columns (total 20 columns):
 #   Column             Non-Null Count   Dtype  
---  ------             --------------   -----  
 0   id_musica          113468 non-null  object 
 1   artistas           113468 non-null  object 
 2   nome_do_album      113468 non-null  object 
 3   nome_da_faixa      113468 non-null  object 
 4   popularidade       113468 non-null  int64  
 5   duracao_ms         113468 non-null  int64  
 6   explicito          113468 non-null  bool   
 7   dancabilidade      113468 non-null  float64
 8   energia            113468 non-null  float64
 9   chave              113468 non-null  int64  
 10  volume             113468 non-null  float64
 11  modo               113468 non-null  int64  
 12  fala               113468 non-null  float64
 13  acustica           113468 non-null  float64
 14  instrumentalidade  113468 non-null  float64
 15  vivacidade         113468 non-null  float64
 16  valencia           113468 non-null  float64
 17  tempo              113468 non-null  float64
 18  assinatura_hora    113468 non-null  int64  
 19  gênero             113468 non-null  object 
dtypes: bool(1), float64(9), int64(5), object(5)
memory usage: 17.4+ MB


# 100 Músicas mais populares
colunas_p1 = ['id_musica', 'nome_da_faixa', 'popularidade']
grupo_p1 = ['id_musica', 'nome_da_faixa']
df_p1 = df.groupby(grupo_p1, as_index=False)['popularidade'].max()
df_p1.sort_values(by=['popularidade'], ascending=False).head(100)


# Artistas mais populares
grupo_p2 = ['artistas']
df_p2 = df.groupby(grupo_p2, as_index=False)['popularidade'].mean()
df_p2.sort_values(by=['popularidade'], ascending=False)


# Artistas mais populares
grupo_p3 = ['gênero']
df_p3 = df.groupby(grupo_p3, as_index=False)['popularidade'].mean()
df_p3.sort_values(by=['popularidade'], ascending=False)


# Exibe os nomes das colunas
df.columns.to_list()

['id_musica',
 'artistas',
 'nome_do_album',
 'nome_da_faixa',
 'popularidade',
 'duracao_ms',
 'explicito',
 'dancabilidade',
 'energia',
 'chave',
 'volume',
 'modo',
 'fala',
 'acustica',
 'instrumentalidade',
 'vivacidade',
 'valencia',
 'tempo',
 'assinatura_hora',
 'gênero']


# Distribuição dos valores de popularidade
df['popularidade'].hist();


# Verificando a quantidade por corte de popularidade de 65
df[df['popularidade'] < 65].shape[0], df[df['popularidade'] > 65].shape[0]

(104019, 8498)


# Define que uma música é popular se sua popularidade é maior do que 60
is_popular = df['popularidade'] > 60
df['eh_popular'] = 0
df.loc[is_popular, ['eh_popular']] = 1
df['eh_popular'].value_counts()

0    99938
1    13530
Name: eh_popular, dtype: int64


# Teste variáveis dummies de gênero
pd.get_dummies(df, columns=['gênero'], prefix=['genero'])


# Dataframe numérico
dfn = df.select_dtypes(include=['float', 'int']).drop(columns=['popularidade', 'chave', 'fala', 'modo', 'energia', 'tempo'])
dfn.head()


# Normalização Min-Max
df_normalized = (dfn - dfn.min()) / (dfn.max() - dfn.min())
df_normalized.head()


# Correlação de pearson para 'eh_popular'
df_normalized.corr(method="pearson")['eh_popular']

duracao_ms          -0.03
dancabilidade        0.06
volume               0.06
acustica            -0.06
instrumentalidade   -0.11
vivacidade          -0.06
valencia             0.02
assinatura_hora      0.03
eh_popular           1.00
Name: eh_popular, dtype: float64


# Separando variável targer das variáveis features
X = df_normalized.drop(columns=['eh_popular'])
y = df_normalized['eh_popular']


# Divisão dos dados em conjuntos de treino e teste
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42, shuffle=True)


# Dimensões dos conjuntos de treino e teste
X_train.shape, X_test.shape, y_train.shape, y_test.shape

((90774, 8), (22694, 8), (90774,), (22694,))


# Valores de 'eh_popular'
y.value_counts(normalize=True)

0.00   0.88
1.00   0.12
Name: eh_popular, dtype: float64


# Valores de 'eh_popular' para o conjunto de treino 
y_train.value_counts(normalize=True)

0.00   0.88
1.00   0.12
Name: eh_popular, dtype: float64


# Valores de 'eh_popular' para o conjunto de teste
y_test.value_counts(normalize=True)

0.00   0.88
1.00   0.12
Name: eh_popular, dtype: float64


# Função para treinar um modelo de linha de base de Regressão Logística
def treinar_modelo_base(X, y):
    modelo_base = LogisticRegression(random_state=0)
    modelo_base.fit(X, y)
    
    return modelo_base


# Treina um modelo de linha de base de Regressão Logística
modelo_base = treinar_modelo_base(X_train, y_train)
modelo_base

LogisticRegression(random_state=0)

LogisticRegression(random_state=0)


# Calcula o score de um modelo para uma amostra dos dados
def score_modelo(modelo, X, y):
    return round(modelo_base.score(X, y), 3)


print('Score do modelo para os dados de treino: ' + str(score_modelo(modelo_base, X_train, y_train)) + '.')

Score do modelo para os dados de treino: 0.881.


print('Score do modelo para os dados de teste: ' + str(score_modelo(modelo_base, X_test, y_test)) + '.')

Score do modelo para os dados de teste: 0.881.


# Obtém e formata os coeficientes do modelo de regressão logística
def coeficientes_regressao_logistica(modelo, X):
    coeficientes_values = np.append(modelo.coef_, modelo.intercept_)
    coeficientes_df = pd.DataFrame(coeficientes_values).T
    coeficientes_nomes = X.columns.to_list()
    coeficientes_nomes.append('constante')
    coeficientes_df.columns = coeficientes_nomes
    coeficientes_df.index = ['Coeficientes']
    
    return coeficientes_df.T


# Exibe os coeficientes do modelo 
coeficientes_regressao_logistica(modelo_base, X_train)


# Função para plotar a matriz de confusão de um modelo
def plot_confusion_matrix(model, X, y, titulo_compl=''):
    # Classes do modelo
    classes = modelo_base.classes_
    
    # Calcula as previsões do modelo
    y_pred = model.predict(X)
    
    # Calcula a matriz de confusão
    cm = confusion_matrix(y, y_pred)
    
    # Cria um objeto ConfusionMatrixDisplay
    disp = ConfusionMatrixDisplay(confusion_matrix=cm, display_labels=classes)
    
    # Plota a matriz de confusão
    disp.plot(cmap=plt.cm.Blues, values_format='d')
    
    # Ajusta o estilo do gráfico
    plt.xlabel('Previsões')
    plt.ylabel('Rótulos Verdadeiros')
    plt.title('Matriz de Confusão' + titulo_compl)
    
    # Exibe o gráfico
    plt.show()


# Plota a matriz de confusão da regressão logística para dados de treino
plot_confusion_matrix(modelo_base, X_train, y_train, titulo_compl=' - Dados de Treino')


# Plota a matriz de confusão da regressão logística para dados de teste
plot_confusion_matrix(modelo_base, X_test, y_test, titulo_compl=' - Dados de Teste')


# Plota as importâncias das features para o modelo
viz = FeatureImportances(modelo_base, labels=X.columns)
viz.fit(X_train, y_train)
viz.show();


# Função para exibir valores de métricas para o classificador para cada clase
def plotar_Classification_Report(classificador, X, y, classes):
    visualizer = ClassificationReport(classificador, support=True, cmap="YlGnBu", classes=classes)
    visualizer.fit(X, y)
    visualizer.score(X, y)
    visualizer.poof()


# Exibe os valores para as métricas usando os dados de treino
classes = ['Popular', 'Impopular']
plotar_Classification_Report(modelo_base, X_train, y_train, classes)


# Exibe os valores para as métricas usando os dados de teste
plotar_Classification_Report(modelo_base, X_test, y_test, classes)


# Função para realizar o balanceamento de classes usando Random UnderSampling
def random_undersampling(X, y, random_state=42):
    rus = RandomUnderSampler(random_state=random_state)
    X_resampled, y_resampled = rus.fit_resample(X, y)
    return X_resampled, y_resampled

# Função para realizar o balanceamento de classes usando Random OverSampling
def random_oversampling(X, y, random_state=42):
    ros = RandomOverSampler(random_state=random_state)
    X_resampled, y_resampled = ros.fit_resample(X, y)
    return X_resampled, y_resampled

# Função para realizar o balanceamento de classes usando SMOTE (Over-Sampling)
def smote_oversampling(X, y, random_state=42):
    smote = SMOTE(random_state=random_state)
    X_resampled, y_resampled = smote.fit_resample(X, y)
    return X_resampled, y_resampled

# Função para realizar o balanceamento de classes usando uma abordagem híbrida (SMOTEENN)
def hybrid_sampling(X, y, random_state=42):
    smoteenn = SMOTEENN(random_state=random_state)
    X_resampled, y_resampled = smoteenn.fit_resample(X, y)
    return X_resampled, y_resampled


# Realizar o balanceamento de classes usando Random UnderSampling
X_resampled, y_resampled = random_undersampling(X_train, y_train)
print("Classes após o balanceamento:", Counter(y_resampled))

Classes após o balanceamento: Counter({0.0: 10823, 1.0: 10823})


# Realiza o balanceamento de classes usando Random OverSampling
X_resampled, y_resampled = random_oversampling(X_train, y_train)
print("Classes após o balanceamento:", Counter(y_resampled))

Classes após o balanceamento: Counter({0.0: 79951, 1.0: 79951})


# Realiza o balanceamento de classes usando SMOTE (Over-Sampling)
X_resampled, y_resampled = smote_oversampling(X_train, y_train)
print("Classes após o balanceamento:", Counter(y_resampled))

Classes após o balanceamento: Counter({0.0: 79951, 1.0: 79951})


# Realiza o balanceamento de classes usando uma abordagem híbrida (SMOTEENN)
X_resampled, y_resampled = hybrid_sampling(X_train, y_train)
print("Classes após o balanceamento:", Counter(y_resampled))

Classes após o balanceamento: Counter({1.0: 73857, 0.0: 56616})


# Cria um classificador baseado em Árvore de Decisão
classificador = DecisionTreeClassifier(random_state=42)


# Define o espaço de busca por hiperparâmetros
possiveis_hiperparametros = {
    'max_depth' : [2, 3, 4, 5, 6, 7, 8],
    'min_samples_leaf' : [0.03, 0.05, 0.07, 0.1, 0.13, 0.15]
}


# Cria o otimizador de hiperparâmetros
otimizador_hiperparametros = GridSearchCV(estimator=classificador,
                       param_grid=possiveis_hiperparametros,
                       scoring='accuracy',
                       cv=5,
                       n_jobs=-1)


# Treina o otimizador em busca dos melhores hiperparâmetros
otimizador_hiperparametros.fit(X_resampled, y_resampled);


# Exibe os melhores hiperparâmetros encontrados pelo otimizador
print('Os melhores hiperparâmetros para o modelo são:\n', otimizador_hiperparametros.best_params_)

Os melhores hiperparâmetros para o modelo são:
 {'max_depth': 5, 'min_samples_leaf': 0.03}


# Encontra e exibe a melhor acurácia encontrada nas validações cruzadas
melhor_acuracia = otimizador_hiperparametros.best_score_
melhor_acuracia = round(melhor_acuracia * 100, 2)
print('A melhor acurácia no treinamento (validação cruzada) foi {}%.'.format(melhor_acuracia))

A melhor acurácia no treinamento (validação cruzada) foi 66.5%.


# Cria o modelo com melhores hiperparâmetros encontrados pelo otimizador
melhor_classificador = otimizador_hiperparametros.best_estimator_


# Função plotar a árvore de decisão
def plotar_arvore_decisao(classificador, nomes_features, nomes_classes):
    """
    Plota uma árvore de decisão.
    
    Argumentos:
    classificador -- DecisionTreeClassifier
    nomes_features -- list
    nomes_classes -- list
    """
    plt.figure(figsize = (20,7), dpi=900)
    tree.plot_tree(classificador,
                   feature_names = nomes_features, 
                   class_names=nomes_classes,
                   filled = True
                   );
    #fig.savefig('arvore.png')
    plt.show()


# Plota a árvore de decisão do melhor modelo de classificação
nomes_features = colunas
nomes_classes =['Popular', 'Impopular']
plotar_arvore_decisao(melhor_classificador, nomes_features, nomes_classes)


# Plota a matriz de confusão da regressão logística para dados de treino reamostrados
plot_confusion_matrix(melhor_classificador, X_resampled, y_resampled, titulo_compl=' - Dados de Treino Reamostrados')


# Exibe os valores para as métricas usando os dados de treino reamostrados
plotar_Classification_Report(melhor_classificador, X_resampled, y_resampled, classes)


# Plota a matriz de confusão da regressão logística para dados de treino reamostrados
plot_confusion_matrix(melhor_classificador, X_test, y_test, titulo_compl=' - Dados de Teste')


# Exibe os valores para as métricas usando os dados de teste
plotar_Classification_Report(melhor_classificador, X_test, y_test, classes)


# Definição da função salvar_modelo_ml()
def salvar_modelo_ml(modelo, arquivo='Modelo-ML'):
    """
    Salva um modelo de machine learning em um arquivo.
    
    Argumentos:
    modelo -- string
    arquivo -- string (Opcional - 'Modelo-ML')
    """
    arquivo = arquivo + '.pkl'
    joblib.dump(modelo, arquivo)


# Salva o melhor modelo em um arquivo
salvar_modelo_ml(melhor_classificador, arquivo='modelo')

	id_musica	artistas	nome_do_album	nome_da_faixa	popularidade	duracao_ms	explicito	dancabilidade	energia	chave	volume	modo	fala	acustica	vivacidade	valencia	tempo	assinatura_hora	gênero
0	5SuOikwiRyPMVoIQDJUgSV	Gen Hoshino	Comedy	Comedy	73	230666	False	0.68	0.46	1	-6.75	0	0.14	0.03	0.36	0.71	87.92	4	acústico
1	4qPNDBW1i3p13qLCt0Ki3A	Ben Woodward	Ghost (Acoustic)	Ghost - Acoustic	55	149610	False	0.42	0.17	1	-17.23	1	0.08	0.92	0.10	0.27	77.49	4	acústico
2	1iJBSr7s7jYXzM8EGcbK5b	Ingrid Michaelson;ZAYN	To Begin Again	To Begin Again	57	210826	False	0.44	0.36	0	-9.73	1	0.06	0.21	0.12	0.12	76.33	4	acústico
3	6lfxq3CG4xtTiEg7opyCyx	Kina Grannis	Crazy Rich Asians (Original Motion Picture Sou...	Can't Help Falling In Love	71	201933	False	0.27	0.06	0	-18.52	1	0.04	0.91	0.13	0.14	181.74	3	acústico
4	5vjLSffimiIP26QG5WcN2K	Chord Overstreet	Hold On	Hold On	82	198853	False	0.62	0.44	2	-9.68	1	0.05	0.47	0.08	0.17	119.95	4	acústico

	id_musica	nome_da_faixa	popularidade
43850	3nqQXoyQOWXiESFLlDF1hG	Unholy (feat. Kim Petras)	100
33330	2tTmW7RDtMQtBk7m2rYeSw	Quevedo: Bzrp Music Sessions, Vol. 52	99
56457	4uUG5RXrOk84mYEfFvj3cK	I'm Good (Blue)	98
68459	5ww2BF9slyYgNOk37BlC4u	La Bachata	98
14969	1IHWl5LamUGEuP4ozKQSXZ	Tití Me Preguntó	97
...	...	...	...
81394	73vIOb4Q7YN6HeJTbscRx5	Miss You	87
10261	0tgVpDi06FyKpA1z0VMD4v	Perfect	87
26514	2JPLbjOn0wPCngEot2STUS	Yonaguni	87
43256	3kUq4sBcmxhnOtNysZ9yrp	Feliz Cumpleaños Ferxxo	87
79382	6tCd8bPvYnceDG7W9M1RMk	Shut Down	87

	artistas	popularidade
24119	Sam Smith;Kim Petras	100.00
3629	Bizarrap;Quevedo	99.00
17442	Manuel Turizo	98.00
2857	Bad Bunny;Chencho Corleone	97.00
2855	Bad Bunny;Bomba Estéreo	94.50
...	...	...
9166	Faith Hill;Tim McGraw	0.00
9164	Faith Evans;The Notorious B.I.G.	0.00
9163	Faith Evans	0.00
21430	Pher	0.00
10886	Gorgon City;Flirta D	0.00

	gênero	popularidade
82	pop-film	59.28
67	k-pop	56.96
16	chill	53.70
109	triste	52.38
45	grunge	49.58
...	...	...
15	chicago-house	12.33
25	detroit-techno	11.18
68	latina	8.36
94	romance	3.55
61	iraniana	2.22

	id_musica	artistas	nome_do_album	nome_da_faixa	popularidade	duracao_ms	explicito	dancabilidade	energia	chave	...	genero_soul	genero_sueca	genero_synth-pop	genero_tango	genero_techno	genero_trance	genero_trip-hop	genero_triste	genero_turca	genero_world-music
0	5SuOikwiRyPMVoIQDJUgSV	Gen Hoshino	Comedy	Comedy	73	230666	False	0.68	0.46	1	...	0	0	0	0	0	0	0	0	0	0
1	4qPNDBW1i3p13qLCt0Ki3A	Ben Woodward	Ghost (Acoustic)	Ghost - Acoustic	55	149610	False	0.42	0.17	1	...	0	0	0	0	0	0	0	0	0	0
2	1iJBSr7s7jYXzM8EGcbK5b	Ingrid Michaelson;ZAYN	To Begin Again	To Begin Again	57	210826	False	0.44	0.36	0	...	0	0	0	0	0	0	0	0	0	0
3	6lfxq3CG4xtTiEg7opyCyx	Kina Grannis	Crazy Rich Asians (Original Motion Picture Sou...	Can't Help Falling In Love	71	201933	False	0.27	0.06	0	...	0	0	0	0	0	0	0	0	0	0
4	5vjLSffimiIP26QG5WcN2K	Chord Overstreet	Hold On	Hold On	82	198853	False	0.62	0.44	2	...	0	0	0	0	0	0	0	0	0	0
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
113995	2C3TZjDRiAzdyViavDJ217	Rainy Lullaby	#mindfulness - Soft Rain for Mindful Meditatio...	Sleep My Little Boy	21	384999	False	0.17	0.23	5	...	0	0	0	0	0	0	0	0	0	1
113996	1hIz5L4IB9hN3WRYPOCGPw	Rainy Lullaby	#mindfulness - Soft Rain for Mindful Meditatio...	Water Into Light	22	385000	False	0.17	0.12	0	...	0	0	0	0	0	0	0	0	0	1
113997	6x8ZfSoqDjuNa5SVP5QjvX	Cesária Evora	Best Of	Miss Perfumado	22	271466	False	0.63	0.33	0	...	0	0	0	0	0	0	0	0	0	1
113998	2e6sXL2bYv4bSz6VTdnfLs	Michael W. Smith	Change Your World	Friends	41	283893	False	0.59	0.51	7	...	0	0	0	0	0	0	0	0	0	1
113999	2hETkH7cOfqmz3LqZDHZf5	Cesária Evora	Miss Perfumado	Barbincor	22	241826	False	0.53	0.49	1	...	0	0	0	0	0	0	0	0	0	1

Alura - 7 Days of Code - Dados - Machine Learning¶

Sumário¶

1. Introdução¶

2. Objetivo¶

3. Desenvolvimento¶

3.1. Dia 1¶

Quais são as 100 músicas mais populares?¶

Quais os artistas mais populares?¶

Quais são os gêneros musicais mais populares?¶

3.2. Dia 2¶

3.3. Dia 3¶

3.4. Dia 4¶

3.5. Dia 5¶

3.6. Dia 6¶

3.7. Dia 7¶

4. Conclusão¶

Referências¶

	duracao_ms	dancabilidade	volume	acustica	vivacidade	valencia	assinatura_hora	eh_popular
0	0.04	0.69	0.79	0.03	0.36	0.72	0.80	1.00
1	0.03	0.43	0.60	0.93	0.10	0.27	0.80	0.00
2	0.04	0.44	0.74	0.21	0.12	0.12	0.80	0.00
3	0.04	0.27	0.57	0.91	0.13	0.14	0.60	1.00
4	0.04	0.63	0.74	0.47	0.08	0.17	0.80	1.00

	Coeficientes
duracao_ms	-3.63
dancabilidade	0.93
volume	-0.02
acustica	-0.50
instrumentalidade	-1.57
vivacidade	-1.28
valencia	-0.61
assinatura_hora	0.53
constante	-1.93